消费者在线评论有用性影响因素模型研究

消费者在线评论的价值已经得到消费者和在线零售商的公认,对评论有用性的研究已经成为新的研究热点。从减少消费者决策风险出发,在感知诊断性概念基础上定义了评论有用性概念,构建了一个评论有用性影响因素模型。从传播说服理论的维度考察,评论等级、评论长度、好评率和使用互联网经验是影响评论有用性的重要因素。商品类型对评论有用性具有调节作用。     

基于评论有用性投票的低频关键词提取方法研究

在互联网环境下,许多消费者在购买商品之前都会参考网上的评论信息以及星级评价,比如五星好评.但是这些评论大多都是一些个人主观的评价,带有个人感情色彩,有的时候是片面的.如何从大量评论中找到有价值的信息成为研究的重点和难点.针对这一问题,文中提出有关在线评论有用性投票的分析方法.在实验中,利用论文的方法来提取评论集只出现一...     

基于社交媒体的在线评论感知有用性预测模型

社交媒体的广泛应用使得人们获取、分享信息更加便捷,在线评论是内容共享型社交媒体的典型代表,能帮助消费者快速制定购买决策。依据信息经济学理论和信息采纳模型,研究影响商品在线评论感知有用性的主要因素,构建了在线商品评论感知有用性预测模型,并以亚马逊网站上商品的实际评论数据进行了实证分析。结果表明,评论深度、评论者可信度、评论情感倾向和评论及时性与感知有用性为正相关关系,并根据研究结果对电商企业管理提出相关建议。     

面向用户需求获取的在线评论有用性分析

在线评论已成为互联网环境下用户需求获取的重要数据资源.然而,评论质量的良莠不齐严重干扰了需求挖掘的准确性和可信性.如何发现能够准确描述用户需求的有用评论是提高需求获取技术有效性的前提保障.针对这一问题,文中提出一种基于复杂网络的评论有用性分析方法,利用评论间的语义关联,从宏观的角度分析评论对于用户需求识别的有用程度,进而发现能够准确描述用户需求的评论.作者将评论看作一种内容互连的网络拓扑的形态,利用评论网络节点的重要性来度量评论的有用性,并通过拓扑势理论将用户的主观评价与网络拓扑结构的客观影响有机融合对评论网络节点重要性进行分析.实验结果表明,该方法所确定的高有用性评论能够保证用户需求获取具有较高的准确率和覆盖率.     

面向产品设计改进的在线评论挖掘

以竞争市场环境中的产品在线评论数据为研究对象,基于支持产品设计改进的视角,采用数据挖掘的方法与工具,开展面向产品设计改进的在线评论大数据分析研究。重点开展在线评论数据挖掘过程模型中的有用性建模和特征评价值情感分析。以某智能手机产品的在线评论数据为对象进行了实验,得到该产品各个属性的评价值,与更新换代后的产品属性进行比较,验证了此方法的有效性。     

在线商品评论可信性评价方法

针对现有商品评论存在数量大、质量参差不齐、可信度差，导致用户难以快速获取有效信息并制定高效的决策，而现有评论可信性评估主要考虑评论来源和投票形式的支持度等问题，提出了一种从评论内在质量角度实现评论可信度评估方法，即通过融合评论者等级、评论支持度和评论观点一致性等实现评论可信性评估。首先基于规则库和方法库完成了评论数据的预处理；然后基于商品特征库、通用词典、情感词典以及方法库，完成了商品特征识别和特征值提取及标准化；最后基于建立的模型完成评论可信度评估。实验结果验证了该方法的可行性，该方法可以应用于其他电商平台实现商品评论可信性自动评估。     

基于书写行为与语义特征的评论有用性评估

针对电子商务网站充斥着大量有用性较低的评论,提出一种基于用户书写行为与语义特征的中文评论有用性评估方法。方法通过在Web客户端实时监听评论文本框值的变化,识别出句尾插入、非句尾插入、句尾删除、非句尾删除等书写行为,在服务器端根据书写行为、评论的语义特征建立的线性评估模型计算用户评论的有用性。实验结果表明该方法能够较为准确地识别有用性较高的评论。     

基于ISM的在线学习参与度影响因素模型研究

学习参与度不高是导致在线学习辍学率高和结业率低的重要原因,探究在线学习参与度影响因素对提高在线学习质量具有重大价值。首先采用文献分析法和访谈研究法确定在线学习参与度的18个影响因素。然后分析各因素之间的逻辑关系,建立邻接矩阵,计算可达矩阵,通过层级分解,绘制在线学习参与度影响因素的结构模型。研究发现,学习动机、学习氛围是影响在线学习参与度的直接原因;知识呈现方式、平台易用性、课程难度、课程时长以及活动安排是最基础因素;其余因素作为间接因素发挥作用。最后,尝试提出改善在线学习参与度的建议,以期为后续在线课程建设提供新思路。     

中文在线评论中产品特征抽取研究

在线评论中特征抽取是产品意见挖掘的基础,直接影响到最终挖掘结果的准确性。针对现有特征抽取方法的准确率和召回率偏低问题,该文通过设计词性序列模板产生候选特征集,利用PMI-IR方法进行筛选,最终获得产品特征集。实验结果表明,该方法取得较好效果。     

基于评论行为的商品垃圾评论的识别研究

为了识别商品垃圾评论,基于垃评论员发表的多为垃圾评论这一基本思想,提出一种基于评论员评论行为来判定其是否为垃圾评论员的方法。分析定义了垃圾评论员常见的三类评论行为,分别是针对同类商品发表垃圾评论,针对同品牌商品发表垃圾评论和针对同一卖家商品发表垃圾评论;在对这三类评论行为建模的同时提出一种依据重复性过高或过低打分的评论数量来计算评论员垃圾指数(spam score)的方法。实验数据为在当当网摄影摄像商品区发表过评论的评论员的所有评论信息。实验结果通过人工评判和计算NDCG(normalize discounted cumulative gain)值的方法来检验,实验结果准确有效。     

热门B2C购物门户用户评论质量影响因素分析研究

用户的在线评论可以有效地帮助用户选择在线商品或服务。然而,热销商品的用户评论数量极其庞大,同时,这些评论的质量参差不齐。因此,评估评论质量并挑选出高质量的评论变得尤为迫切。目前网站采取邀请用户人工标注的方式评估评论的质量,需耗费用户大量的时间和精力。为解决这个问题,提出了一个自动化评估评论质量的方法。该方法通过应用基于评论与评论者两类特征的支持向量机(SVM)分类器实现。在国内著名在线购物网站京东的评论数据上测试了提出的方法。实验结果表明评估识别高质量评论的准确率达到了87.5%。通过实验发现,能够表征评论信息量的词语数量和语句数量特征很好地评估了评论质量。而由于来自用户对商品的反馈信息的贫乏,能够表征用户反馈的有用性投票数量和回复数量特征并不能很好地评估评论质量。在同时结合评论和评论者特征的基础上,评估评论质量的表现最佳。     

中文在线评论中的商品特征聚类研究

针对评论中蕴含的商品特征数目繁多且同一特征具有多种不同描述的情况,提出一种基于语义相似度的商品特征聚类算法。算法包括"分配"和"转移"两个过程。"分配"过程对特征词进行聚类得到初始簇序列;"转移"过程依次遍历初始簇序列将簇内可能存在的与其他簇语义相似度更高的特征词转移到对应的簇。实验结果表明该算法聚类质量高、时间复杂度小且对数据输入次序不敏感。     

高校在线教学开展现状与影响因素分析

新冠疫情促进了在线教育大规模地开展,呈现出了常态化的应用趋势.对在线教育而言,做到线上线下同质等效甚至创新超越,有着极其重要的意义.然而,对高校师生而言,在线教育是一种全新的教学模式,在实践过程中其心理需求、技术支持、教学设计等方面均存在不足.为此,作者深入分析了当前在线教学现状,特别是分析了影响在线教学效果与体验的因...     

垃圾商品评论检测研究综述

商品评论对消费者的购买意愿有明显导向作用,欺诈者可杜撰评论来过度褒奖或恶意贬低商品,以此来促进己方或是打击对方的商品销售,垃圾商品评论检测成为了一项迫切需要的技术。首先将相关研究分为以评论内部（文本特征）为中心和以评论外部（文本特征）为中心的两大类,然后分别综述它们在特征选择、学习方法上的研究进展,并介绍了垃圾商品评论检测领域的常用评论数据集,在此基础上,展望了该领域的热点研究方向。     

面向在线产品评论数据的有效性建模与测度研究

为提高对虚假评论的识别精度并对评论数据的有效性进行准确预测,提出一种面向在线产品数据的有效性建模与测量方法。通过结合基于核主成分的特征提取方法和最小二乘支持向量机对在线产品的虚假评论进行识别,另一方面,基于排序Logit构建回归模型对量化的评论数据进行有效性判别预测。实验结果表明,本文方法在虚假评论识别和数据有效性分析方面效果良好,可以为消费者提供了更为精确的消费参考、为商业机构提供了更具辨识意义的评论数据,具有良好的应用价值。     

教材在线评论的情感倾向性分析

为了充分挖掘和应用电子商务网站中的教材评论信息,运用细粒度的情感分类算法对用户的在线评论进行分析,基于教材特征级的情感分析结果,辅助潜在客户和商家做出合理有效的决策.本文首先使用爬虫采集教材的在线评论文本,对其进行去噪、分词和词性标注等预处理;然后分析产品特征,在通用情感词典的基础上扩建领域情感词典;最后基于句法分析结果,结合教材评论的语言特性,设计适合教材评论的情感倾向性分析算法,并通过实验验证了算法的有效性.     

利用多维评分进行在线评论的有用性预测

在线评论的有用性预测任务在当前的电子商务领域中发挥着重要的作用, 该任务的目标是判断在线评论的有用性, 进而重点展示对未来消费者更有帮助的评论, 提高消费者获取信息的效率. 在本文中, 我们重点关注近年来在各大在线平台兴起的一种新的评分系统——多维评分系统, 尝试研究用户在该系统中给出的方面评分对在线评论有用性的影响. 本文提出了一个综合考虑了评论文本、用户总体评分和方面评分3种元素及其交互的多层次神经网络模型HORA来完成有用性预测任务. 通过在两个真实世界的数据集上进行的实验结果表明, 与当前的基线模型相比, HORA在MAE和RMSE两个指标上展示了更好的结果, 同时在实验中也表现出了良好的鲁棒性, 表明了方面评分对用户的在线评论有用性感知的重要意义.     

基于在线评论的情感分析方法及应用

互联网以及电子商务的快速发展,使得网络成为人们交流和沟通的公共平台.消费者在网络平台生成的大量在线评论信息产生广泛影响,并引起专家学者的积极关注,基于在线评论进行的情感分析相关研究也不断发展.鉴于此,重点关注基于在线评论的情感分析方法及其应用,在对上述内容概述的基础上分析和思考现有研究存在的问题,并指出未来可能的研究方向和内容.     

基于用户回复内容观点支持度的评论有用性计算

针对有监督评论有用性预测方法中的训练数据集难以构造,以及无监督方法缺乏对情感信息支撑的问题,提出基于语义和情感信息构建一种无监督模型,用于对评论有用性进行预测,同时考虑了评论和评论下回复内容对观点的支持度用来计算观点的有用性得分,进而得到评论的有用性。同时,提出结合句法分析和改进潜在狄利克雷分配（LDA）模型的评论摘要方法用于评论有用性预测模型中的观点提取,基于句法分析结果构建must-link和cannot-link两种约束条件指导主题模型学习,在保证召回率的同时提高模型准确率。该方法在实验数据集上能取得70%左右的F1值和90%左右的排序准确率,且实例应用也表明该方法对结果具有较好的解释性。